MatrixDB是Hive的25.8倍是Impala+Kudu的8.8倍

最新推荐文章于 2024-04-28 10:55:39 发布
最新推荐文章于 2024-04-28 10:55:39 发布
阅读量1.1k 收藏
点赞数
分类专栏： 超融合时序数据库 文章标签： 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xfg0218/article/details/125012697
版权

概述

1、大数据的发展历程和面临的痛点

2、MatrixDB 超融合时序数据库介绍

3、MatrixDB TPCH是Hive的25.8倍

4、MatrixDB TPCH是Impala + Kudu的8.8倍
5、MatrixDB TPC-B 达到百万TPS

大数据发展历程

     过去大家提到大数据就会联想到Hadoop，而Hadoop是从2003-2004年开始，Google公布了GFS\ MapReduce\BigTable 三篇论文后，开始了从Lucene–>Nutch—>Hadoop的演变，到2006年2月成为一套完整独立的软件，便起名为Hadoop。2008年9月Hive成为Hadoop的子项目后，2012年10月，Impala加入Hadoop生态圈，Kudu最早由Cloudera公司开发并在2015年12月3日贡献给Apache基金会。

 

     随着技术的发展围绕Hadoop孪生出来的生态软件越来越多，而这么多的生态软件则需要一个统一的管理还礼软件来维护，在2008年成立的Cloudera是最早将Hadoop商用的公司，旗下的Cloudera Manager产品是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。

     然而随着大家对产品的使用所面临的问题也就越来越多，在以Hive做数据仓库时：

（1）Hive 不支持记录级别的增删改操作。

（2）Hive 不支持事物，因为没有增删改，所以主要用来做 OLAPc场景。

（3）Hive 延迟较高，一般是用户T+1，甚至是T+N的场景中，不适用于实时分析。

（4）Hive 运行的是 MapReduce 任务，会受很多限制。

     在2017年11月,apache宣布Impala晋升为apache顶级项目后大家逐渐开始使用Impala做HDFS查询。后来Impala+Kudu做数据的储存，并提升了查询的速度。但Kudu则面临：

（1）不支持多行事务。

（2）对SQL的标准支持的比较弱。

（3）不支持数据回滚。

（4）表最多有300列。

（5）表的字段类型支持较少。

      在2019年11月开始Cloudera公司旗下的CDH产品开始收费，对所有新版本，包括当前软件的更新和维护版本，都只能通过付费墙访问。对公司的软件升级和软件的维护带来了不小的挑战，遇到了重大的问题不能及时解决，有时严重影响了公司正常提供服务。同时公司的数据积累的越多所面临的问题也越多，对数据的管理比较混乱和数据治理耗时耗力，同时表的查询越来越慢，由之前的T+1能出结果，到目前的T+2才完成70%。急需要一种HTAP数据库来管理数据和提高查询性能。

MatrixDB 超融合时序数据库

关于超融合的发展

      过去十几年，分布式技术和数据库技术都有长足发展，很多产品都在自身原有优势基础之上不同程度的探索能力延伸的边界，并取得了良好的进展。在这种大趋势之下，超融合数据库出现。超融合数据库博采OLTP数据库、OLAP数据库和大数据/数据湖众家之长集于一身，形成一种新的技术形态。

     交易型数据库（OLTP）：支撑在线交易业务，典型查询涉及数据行比较少，数据频繁增删改查，数据库追求高并发、低延迟。

分析型数据库（OLAP）：支撑在线分析业务，典型查询涉及大量数据行，数据以插入和查询为主，数据清洗后一般不更新或者偶尔更新，数据库追求复杂查询的性能。

    专用数据库：支撑某种特定数据处理业务场景，典型产品有时序数据库、图数据库、GIS数据库、文本检索产品等。

大数据/数据湖（Data Lake）：大数据从2005年左右发展起来，起初主要产品是Hadoop，后来孪生出来很多的产品。

    而这些问题则会面临数据不同步，效率地下，技术栈复杂，维护成本高等问题。

     超融合数据库是技术发展的自然走向， 2011年，451Research提出的NewSQL为OLTP和大数据的融合 ；2015年，Gartner提出的HTAP为OLTP和OLAP的融合；2020年，Databricks提出的Lakehouse为数据仓库和数据湖融合；数据库发展逐渐从两两融合走向超融合；而预计不远的2022年，超融合数据库技术将实现产品化和商业化。

关于MatrixDB

是服务物联网海量数据存储的超融合时序数据库，具有以下特点：

融合极致时序

融合实时分析

融合数据类型

融合企业级产品特性

MatrixDB 服务的客户和客户评价

MatrixDB与Hive的TPCH测试

测试版本

 软件名称 版本

Matrixdb

MatrixDB 4.4.7

Hive

3.1.0

Tez

0.9.1

YARN + MapReduce2

3.1.1

HDFS

3.1.1.3.1

测试表的格式

软件名称测试格式

Matrixdb

AOCO

Hive

STORED AS TEXTFILE

服务器配置

序号系统架构操作系统主机名CPU核数内存数据盘是否raid网卡

1

X86-64

CentOS 7.8

mdw

64c

256GB

SAS,      22T

是

10000Mb/s

2

X86-64

CentOS 7.8

sdw1

64c

256GB

SAS,      22T

是

10000Mb/s

3

X86-64

CentOS 7.8

sdw2

64c

256GB

SAS,      22T

是

10000Mb/s

4

X86-64

CentOS 7.8

sdw3

64c

256GB

SAS,      22T

是

10000Mb/s

测试结果

MatrixDB是Hive的25.8倍

Query

Matrixdb执行时（单位：秒）

Hive TEXTFILE (Tez查询)执行时间（单位：秒）    Hive ORC  (Tez查询)执行时间（单位：秒）Hive PARQUET  (Tez查询)执行时间 （单位：秒）

SQL1

120

828.75

860.33

527.24

SQL2

56

132.43

142.11

119.07

SQL3

152

1920.80

542.89

539.51

SQL4

62

2544.56

1023.46

1143.06

SQL5

233

1972.58

598.26

574.73

SQL6

4

515.38

225.18

160.37

SQL7

102

5053.18

600.23

568.55

SQL8

59

2016.20

462.6

414.04

SQL9

293

3047.84

2142.53

2323.94

SQL10

133

1679.50

365.12

393.45

SQL11

17

226.12

131.91

213.17

SQL12

47

1749.04

343.39

384.03

SQL13

55

852.39

674.96

529.53

SQL14

6

573.96

331.45

245.94

SQL15

29

1047.79

526.12

599.757

SQL16

23

592.49

704.07

570.75

SQL17

114

6994.56

6022.25

5977.9

SQL18

481

4195.88

1467.66

1641.53

SQL19

26

500.28

304.4

275.34

SQL20

43

2733.27

1596.62

1852.53

SQL21

233

19046.48

13307.95

13354.39

SQL22

18

1375.20

1220.82

1344.34

合计

2306

59598.68

33594.31

33753.167

测试步骤

1、使用TPCH工具生成1024GB大小的数据加载到MatrixDB中并进行22条SQL查询测试

2、使用Hive测试工具TPCH生成1024GB大小的测试数据并进行22条SQL查询测试

3、测试22个query的内容中包含若干表Join、子查询和Group-by聚合等

MatrixDB测试结果

mxadmin=# select * from tpch_reports.sql order by id;       id  | description | tuples |    duration      -----+-------------+--------+-----------------       101 | tpch.01     |      4 | 00:02:00.120885       102 | tpch.02     |    100 | 00:00:56.5631       103 | tpch.03     |     10 | 00:02:32.152663       104 | tpch.04     |      5 | 00:01:02.62619       105 | tpch.05     |      5 | 00:03:53.233652       106 | tpch.06     |      1 | 00:00:04.4446       107 | tpch.07     |      4 | 00:01:42.102137       108 | tpch.08     |      2 | 00:00:59.59693       109 | tpch.09     |    175 | 00:04:53.293484       110 | tpch.10     |     20 | 00:02:13.133002       111 | tpch.11     |      0 | 00:00:17.17094       112 | tpch.12     |      2 | 00:00:47.47593       113 | tpch.13     |     29 | 00:00:55.55813       114 | tpch.14     |      1 | 00:00:06.6373       115 | tpch.15     |      1 | 00:00:29.29671       116 | tpch.16     |  27840 | 00:00:23.23941       117 | tpch.17     |      1 | 00:01:54.114318       118 | tpch.18     |    100 | 00:08:01.481215       119 | tpch.19     |      1 | 00:00:26.26927       120 | tpch.20     | 113661 | 00:00:43.43858       121 | tpch.21     |    100 | 00:03:53.233897       122 | tpch.22     |      7 | 00:00:18.18489      (22 rows)

Hive TEXTFILE测试结果

 ***********************************************
      *           PC-H benchmark on Hive            *
      ***********************************************      Running Hive from      Running Hadoop from      See benchmark.log for more details of query errors.      Executing Trial #1 of 1 trial(s)...      Running Hive query: tpch/q1_pricing_summary_report.hive      Time:828.75      Running Hive query: tpch/q2_minimum_cost_supplier.hive      Time:132.43      Running Hive query: tpch/q3_shipping_priority.hive      Time:1920.80      Running Hive query: tpch/q4_order_priority.hive      Time:2544.56      Running Hive query: tpch/q5_local_supplier_volume.hive      Time:1972.58      Running Hive query: tpch/q6_forecast_revenue_change.hive      Time:515.38      Running Hive query: tpch/q7_volume_shipping.hive      Time:5053.18      Running Hive query: tpch/q8_national_market_share.hive      Time:2016.20      Running Hive query: tpch/q9_product_type_profit.hive      Time:3047.84      Running Hive query: tpch/q10_returned_item.hive      Time:1679.50      Running Hive query: tpch/q11_important_stock.hive      Time:226.12      Running Hive query: tpch/q12_shipping.hive      Time:1749.04      Running Hive query: tpch/q13_customer_distribution.hive      Time:852.39      Running Hive query: tpch/q14_promotion_effect.hive      Time:573.96      Running Hive query: tpch/q15_top_supplier.hive      Time:1047.79      Running Hive query: tpch/q16_parts_supplier_relationship.hive      Time:592.49      Running Hive query: tpch/q17_small_quantity_order_revenue.hive      Time:6994.56      Running Hive query: tpch/q18_large_volume_customer.hive      Time:4195.88      Running Hive query: tpch/q19_discounted_revenue.hive      Time:500.28      Running Hive query: tpch/q20_potential_part_promotion.hive      Time:2733.27      Running Hive query: tpch/q21_suppliers_who_kept_orders_waiting.hive      Time:19046.48      Running Hive query: tpch/q22_global_sales_opportunity.hive      Time:1375.20

MatrixDB与Impal+Kudu的TPCH测试

测试版本

软件名字版本

Matrixdb

MatrixDB 4.4.7

Impala

3.2.0

Kudu

1.10.0

HDFS

3.1.1.3.1

Hive

3.1.0

测试表的格式

软件表的类型

Matrixdb

AOCO

Impala

STORED AS KUDU

服务器的配置

序号系统架构操作系统主机名CPU核数内存数据盘是否raid网卡

1

X86-64

CentOS 7.8

mdw

64c

256GB

SAS,      22T

是

10000Mb/s

2

X86-64

CentOS 7.8

sdw1

64c

256GB

SAS,      22T

是

10000Mb/s

3

X86-64

CentOS 7.8

sdw2

64c

256GB

SAS,      22T

是

10000Mb/s

4

X86-64

CentOS 7.8

sdw3

64c

256GB

SAS,      22T

是

10000Mb/s

测试结果

MatrixDB是Impala+kudu的8.8倍

QueryMatrixdb 执行时间（单位：秒）Impala + Kudu （单位：秒）

SQL1

76.76

974.98

SQL2

31.31

159.64

SQL3

54.54

282.6

SQL4

17.17

1210.03

SQL5

39.39

480.66

SQL6

2.22

75.46

SQL7

26.26

412.55

SQL8

29.29

567.42

SQL9

596.59

2557.13

SQL10

236.23

408.3

SQL11

32.32

189.21

SQL12

191.19

249.67

SQL13

27.27

171.95

SQL14

6.6

120.94

SQL15

14.14

109.37

SQL16

25.25

858.21

SQL17

110.11

949.23

SQL18

187.18

962.18

SQL19

47.47

651.57

SQL20

28.28

504.72

SQL21

120.12

4932.08

SQL22

13.13

143.36

合计

1912.82

16971.26

测试步骤

1、使用TPCH测试Impala+Kudu的查询性能

2、把Impala + Kudu 测试的数据同步到MatrixDB中进行TPCH测试

MatrixDB测试结果

 mxadmin=# select * from tpch_reports.sql order by id;       id  | description | tuples |    duration      -----+-------------+--------+-----------------       101 | tpch.01     |      4 | 00:01:16.7637       102 | tpch.02     |    100 | 00:00:31.31441       103 | tpch.03     |     10 | 00:00:54.54473       104 | tpch.04     |      5 | 00:00:17.17539       105 | tpch.05     |      5 | 00:00:39.39999       106 | tpch.06     |      1 | 00:00:02.228       107 | tpch.07     |      4 | 00:00:26.26793       108 | tpch.08     |      2 | 00:00:29.29319       109 | tpch.09     |    175 | 00:09:56.596787       110 | tpch.10     |     20 | 00:03:56.236166       111 | tpch.11     |      0 | 00:00:32.32528       112 | tpch.12     |      2 | 00:03:11.191703       113 | tpch.13     |     12 | 00:00:27.27915       114 | tpch.14     |      1 | 00:00:06.6014       115 | tpch.15     |      1 | 00:00:14.14125       116 | tpch.16     |  27840 | 00:00:25.25445       117 | tpch.17     |      1 | 00:01:50.110183       118 | tpch.18     |    100 | 00:03:07.187142       119 | tpch.19     |      1 | 00:00:47.47913       120 | tpch.20     |  79490 | 00:00:28.28746       121 | tpch.21     |    100 | 00:02:00.120883       122 | tpch.22     |      7 | 00:00:13.1314      (22 rows)

Impala+Kudu测试结果​​​​​​​

 # cat tpch_benchmark_impala.log      ***********************************************
      *          PC-H benchmark on Impala-shell     *
      ***********************************************      Running Impala-shell ....      See benchmark_impala.log for more details of query errors.      Executing Trial #1 of 1 trial(s)...      Running Impala-shell query: tpch_impala/textfile_to_impala.impala      Time:5719.93      Running Impala-shell query: tpch_impala/q1_pricing_summary_report.impala      Time:974.98      Running Impala-shell query: tpch_impala/q2_minimum_cost_supplier.impala      Time:159.64      Running Impala-shell query: tpch_impala/q3_shipping_priority.impala      Time:282.60      Running Impala-shell query: tpch_impala/q4_order_priority.impala      Time:1210.03      Running Impala-shell query: tpch_impala/q5_local_supplier_volume.impala      Time:480.66      Running Impala-shell query: tpch_impala/q6_forecast_revenue_change.impala      Time:75.46      Running Impala-shell query: tpch_impala/q7_volume_shipping.impala      Time:412.55      Running Impala-shell query: tpch_impala/q8_national_market_share.impala      Time:567.42      Running Impala-shell query: tpch_impala/q9_product_type_profit.impala      Time:2557.13      Running Impala-shell query: tpch_impala/q10_returned_item.impala      Time:408.30      Running Impala-shell query: tpch_impala/q11_important_stock.impala      Time:189.21      Running Impala-shell query: tpch_impala/q12_shipping.impala      Time:249.67      Running Impala-shell query: tpch_impala/q13_customer_distribution.impala      Time:171.95      Running Impala-shell query: tpch_impala/q14_promotion_effect.impala      Time:120.94      Running Impala-shell query: tpch_impala/q15_top_supplier.impala      Time:109.37      Running Impala-shell query: tpch_impala/q16_parts_supplier_relationship.impala      Time:858.21      Running Impala-shell query: tpch_impala/q17_small_quantity_order_revenue.impala      Time:949.23      Running Impala-shell query: tpch_impala/q18_large_volume_customer.impala      Time:962.18      Running Impala-shell query: tpch_impala/q19_discounted_revenue.impala      Time:651.5      Running Impala-shell query: tpch_impala/q20_potential_part_promotion.impala      Time:504.72      Running Impala-shell query: tpch_impala/q21_suppliers_who_kept_orders_waiting.impala      Time:4932.08      Running Impala-shell query: tpch_impala/q22_global_sales_opportunity.impala      Time:143.36      ***********************************************

MatrixDB TPC-B 达到百万TPS

TPC-B 是什么？

TPC-B 是数据库行业中使用最广泛，也是最重要的基准测试之一。由 TPC (Transaction Processing Performance Council，事务处理性能委员会) 提供的 Benchmark，主要用于衡量一个系统每秒能够处理的并发事务数。TPC-B 经常用于对数据库系统的事务性能压测，其衡量指标是每秒处理的事务数量，即 TPS（Transactions per Second）。

测试结果

测试环境与服务器配置

服务器配置表

服务器测试结果

总结

使用 TPC-B 测试2亿条数据的情况下，MatrixDB 在服务器配置进行并发测试，在500并发时，select 为1187598，insert 为178985，update 为170230，混合为46649。

参考资料

1、https://ymatrix.cn/

2、https://ymatrix.cn/blog/20210407-MatrixDB-chaoronghe

3、https://mp.weixin.qq.com/s/d0n-oLeSKxQuH9JFftolSQ

盒马coding
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于 Impala 构建实时用户行为分析引擎.pdf
12-26
包含基于 Impala 构建实时用户行为分析引擎.pdf和.开源大数据分析引擎Impala实战.pdf两份
大数据-数据迁移-hive、hbase、kudu迁移
03-29
由于大数据里面涉及到非关系型数据库如hive、kudu、hbase等的数据迁移，目前涉及到的迁移工具都没有支持hive数据库的事务表的迁移，如果hive库里面存在大量的事务表的时候，目前的工具都是不支持的，例如华为的CDM，阿里研发的datax，hadoop的distcp都是不支持大数据事务表的迁移。但是目前很多公司随着数据量的增涨和上云的趋势，出现了喝多公司迁移大数据平台上云的需求，如果进行上云就要涉及到数据的迁移和各个不同平台数据版本的适配等问题。 下面为从自建的数据中心迁移hadoop到华为云上适配大数据平台MRS的一次项目迁移，此项目涉及到hive、kudu、hbase 的数据迁移，数据总量达到了15T,此文档是耗时5月时间和时间的检验，通过脚本编辑批量迁移完成大数据迁移上云的最终目标，里面涉及具体的迁移方案、解决方案、迁移流程、迁移脚本
1-4-Hive+and+Impala.pdf
05-09
Impala 与Hive都是构建在Hadoop之上的数据查询工具各有不同的侧重适应面，但从客户端使用来看Impala与Hive有很多的共同之处，如数据表元数 据、ODBC/JDBC驱动、SQL语法、灵活的文件格式、存储资源池等。Impala与Hive在Hadoop中的关系如图 2所示。Hive适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询，Impala给数据分析人员提供了快速实验、验证想法的大数 据分析工具。可以先使用hive进行数据转换处理，之后使用Impala在Hive处理后的结果数据集上进行快速的数据分析。
DBeaver 21.2 安装包+hive驱动+impala驱动+配置图.rar
09-09
dbeaver-ce-21.2.0.exe; hadoop-common-2.6.0-cdh5.7.0.jar hive-jdbc-1.1.0-cdh5.4.5-standalone.jar ImpalaJDBC41.jar ImpalaJDBC42.jar
Zabbix+MatrixDB大规模监控与分析解决方案详解(含PPT)
NateIT的博客
08-26 1136
首先，谢谢原作者：（此文为转载的文章，现将原地址贴出如下：以下文章来源于yMatrix，作者MatrixDB团队Zabbix+MatrixDB大规模监控与分析解决方案详解(含PPT)） 更多精彩Zabbix文章、技术交流、免费技术培训加微号NateIT，免费获取zabbix安装、配置、优化技术培训视频 官网：http://ywzs.hanyunintel.com 30秒执行摘要： Zabbix存储常用单机PostgreSQL/MySQL和InfluxDB。在数据量小的情况下，表现还不错，但随着监控的
MatrixDB数据库学习——筑梦之路
筑梦之路
05-02 2566
MatrixDB简介 MatrixDB是全球首款同时支持在线事务处理（OLTP）、在线分析处理（OLAP）和物联网时序应用的超融合型分布式数据库产品，具备严格分布式事务一致性、水平在线扩容、安全可靠、成熟稳定、兼容PostgreSQL/Greenplum协议和生态等重要特性。为万物互联的智能时代提供坚实、简洁的智能数据核心基础设施，为物联网应用、工业互联网、智能运维、智慧城市、实时数仓、智能家居、车联网等场景提供一站式高效解决方案。 相比传统的“烟囱式”、“孤岛式”数据架构，MatrixDB开创的超
MatrixDB v4.5.0 重磅发布，全新推出 MARS2 存储引擎！
weixin_57459958的博客
06-23 1097
本次升级6大新特性！
MatrixDB常用命令
ask_baidu的博客
12-17 769
matrixdb常用命令（mxgate、mars2、查询等命令）
实测｜超融合数据库 MatrixDB 实现百万级 TPS
weixin_57459958的博客
05-05 1553
01背景 本次我们基于Intel提供的服务器，详细介绍在不同的硬件配置和数据集下，使用国际标准基准测试（Benchmark）TPC-B对超融合时序数据库MatrixDB进行OLTP性能测试。 TPC-B 是什么？ TPC-B 是数据库行业中使用最广泛，也是最重要的基准测试之一。由 TPC (Transaction Processing Performance Council，事务处理性能委员会) 提供的 Benchmark，主要用于衡量一个系统每秒能够处理的并发事务数。TP...
Navicat连接postgresql，matrixdb
热门推荐
~~
04-06 2万+
postgreSQL下载安装：https://blog.csdn.net/qq_40323256/article/details/101699490 使用postgreSQL注意的地方： 一，设置id自增
matrixdb-4.0.1.community-1.el7.x86_64.rpm
05-31
matrixdb-4.0.1.community-1.el7.x86_64.rpm
springboot+mybatis+impala/mysql整合Demo
05-07
springboot+mybatis+impala/mysql整合Demo ， 内嵌PageHelper插件已整合，需要根据pom.xml中的备注操作即可使用mysql和PageHelper, impala 不支持PageHelper插件
实测|MatrixDB是Hive的25.8倍
知识的力量
05-09 619
TPCH测试1024GB数据量MatrixDB是Hive的25.8倍
MatrixDB 数据库内核技术
weixin_57459958的博客
11-01 1029
第十二届中国数据库技术大会（DTCC2021），在北京火热开展，一场盛会，围绕着当前热门的“时序数据库”话题，共同探讨最前沿的技术趋势与实践。 四维纵横在大会上由“首席技术官” ——翁岩青亮相本届 DTCC，精彩干货演讲，为在场的参会人打造一场有关时序数据库的技术饕餮盛宴，点燃会议厅里的狂欢氛围。 本文内容根据会议分享及PPT撰写。 四维纵横数据有限公司 CTO 翁岩青作为压轴登场，在数据库内核技术专场，分享主题为“时序数据库，从无关到有关“，聊聊时序数据库是用“关系数据库”还是.
MatrixDB 4.x 手动安装部署文档
qq_31493587的博客
03-31 2342
MatrixDB 4.x 手动安装部署文档
直播回顾 ｜ MatrixDB 定义下一代时序架构（内附PPT下载）
weixin_57459958的博客
10-18 529
由 CSDN 主办的在线峰会 —— 新数据库时代视频回放终于来了！ 在物联网技术的快速发展下，衍生出一种功能更强大，使用更简单的新的数据库 —— “超融合时序数据库”。本次线上峰会聚焦于技术干货，从开发者关注的技术痛点出发，分享性能优化、架构设计、系统实现等技术层面的方法论及实战经验。 北京四维纵横数据有限公司创始人姚延栋此次发表题为《超融合时序数据库：下一代时序数据库架构解析》的主题演讲。演讲内容见下文： 01 产品介绍 MatrixDB，全球首款超融合时序数据库。基于开源 Greenplum
2022年1月国产数据库排行榜：TOP10中4款产品得分再创新高
01-28 5304
新年榜单 TOP10 的排位和上月保持一致，没有出现名次变化，其中 4 款产品得分创历史新高，分别是 openGauss、达梦、GaussDB 和人大金仓。
报表控件Stimulsoft在JavaScript报告工具中的事件：查看器事件（上）
最新发布
励志做最业余的专业博主，控件产品可以私我~
04-28 793
在本文中，我们为JS报告工具中的查看器事件提供了全面的指南，包括它们的详细描述、参数列表等一系列详细内容。
impala+kudu
08-02
Impala和Kudu是两个不同的技术，但它们可以一起使用来提供更高效的数据分析和查询功能。 Impala是一个建立在Hadoop生态圈的交互式SQL解析引擎，它可以快速地执行SQL查询，并且与Hive高度兼容。Impala可以直接使用...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值